DE102011053044A1 - System and method for analyzing and visualizing local clinical features - Google Patents
System and method for analyzing and visualizing local clinical features Download PDFInfo
- Publication number
- DE102011053044A1 DE102011053044A1 DE102011053044A DE102011053044A DE102011053044A1 DE 102011053044 A1 DE102011053044 A1 DE 102011053044A1 DE 102011053044 A DE102011053044 A DE 102011053044A DE 102011053044 A DE102011053044 A DE 102011053044A DE 102011053044 A1 DE102011053044 A1 DE 102011053044A1
- Authority
- DE
- Germany
- Prior art keywords
- interest
- roi
- computer
- feature
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R33/00—Arrangements or instruments for measuring magnetic variables
- G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
- G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
- G01R33/48—NMR imaging systems
- G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
- G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
- G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Abstract
Ein System und ein Verfahren zur Analyse und Visualisierung von lokalen klinischen Merkmalen beinhaltet das Identifizieren (34) eines ersten interessierenden Gebietes (ROI) aus einem von einem Patienten akquirierten medizinischen Bilddatensatz (32) und das Extrahieren (36) eines Merkmalsdatensatzes, der ein für das interessierende Gebiet spezifisches interessierendes Merkmal wiedergibt. Das System beinhaltet außerdem die Identifizierung (38) eines zweiten interessierenden Gebietes (ROI) aus dem medizinischen Bilddatensatz, das Extrahieren (40) eines Bezugsdatensatzes, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmales wiedergeben, das Vergleichen (44) des Merkmalsdatensatzes mit dem Bezugsdatensatz, das Erzeugen (44) einer Abweichungsmetrik, die einer Abweichung des interessierenden Merkmals basierend auf dem Vergleich wiedergibt und das Erzeugen (46) einer visuellen Darstellung der Abweichungsmetrik.A system and a method for the analysis and visualization of local clinical features includes the identification (34) of a first region of interest (ROI) from a medical image data set (32) acquired from a patient and the extraction (36) of a feature data set that is relevant for the area of interest represents a specific feature of interest. The system also includes identifying (38) a second region of interest (ROI) from the medical image data set, extracting (40) a reference data set containing reference data reflecting expected behavior of the feature of interest, comparing (44) the feature data set with the reference data set, generating (44) a deviation metric that represents a deviation of the feature of interest based on the comparison, and generating (46) a visual representation of the deviation metric.
Description
Hintergrund der ErfindungBackground of the invention
Ausführungsformen der Erfindung beziehen sich allgemein auf diagnostische Bildgebung und mehr im Einzelnen auf ein System und ein Verfahren zur Analysierung und sichtbaren Darstellung lokaler klinischer Merkmale.Embodiments of the invention relate generally to diagnostic imaging, and more particularly to a system and method for analyzing and visually presenting local clinical features.
Komplexe medizinische Zustände und Krankheiten, wie beispielsweise die alzheimerische Krankheit oder Lungenkrebs sind in einem frühen Stadium schwer festzustellen und zu überwachen. Diese komplexen Krankheiten sind auch schwierig in standardisierter Art zum Vergleich mit einer Basislinie zu quantifizieren, etwa mit den Daten, die aus einer standardisierten Bezugspopulation gewonnen wurden.Complex medical conditions and diseases, such as Alzheimer's disease or lung cancer, are difficult to detect and monitor at an early stage. These complex diseases are also difficult to quantify in a standardized manner for comparison with a baseline, such as the data obtained from a standardized reference population.
Im Hinblick auf diese Schwierigkeiten haben Forscher Verfahren zur Bestimmung statistischer Abweichungen von normalen Patientenpopulationen entwickelt. So ist zum Beispiel ein Element zur Feststellung neurodegenerativer Krankheiten (NDD) die Entwicklung von nach Alter und Tracer voneinander verschiedener Normdatenbanken. Ein Vergleich dieser Normale kann lediglich in einem standardisierten Bereich, z. B. dem Talairachbereich oder dem Bereich des Montreal Neurological Institute (MMI) erfolgen. Das MMI definiert ein Standardgehirn unter Verwendung großer Serien Magnetresonanz-Bildgebungsscanns (MRI) bei normalen Kontrollen. Das Talairachgebiet nimmt Bezug auf ein Gehirn, das für den Talairach und den Tournouxatlas geschnitten und fotografiert ist. Sowohl auf dem Talairachgebiet als auch dem MNI-Gebiet müssen unter Verwendung von Registriertechniken Daten für das jeweilige Standardgebiet aufgezeichnet werden. Zu gebräuchlichen Verfahren, die eine Abwandlung des vorgenannten Verfahrens benutzen gehören Tracer NeuroQ®, statistischer Parameterabgleich (SPM), 3D-stereotaktische Oberflächenprojektionen (3D-SSP) und so weiter.In view of these difficulties, researchers have developed methods for determining statistical deviations from normal patient populations. For example, an element for detecting neurodegenerative diseases (NDD) is the development of different age databases by age and tracer. A comparison of these standards can only in a standardized area, eg. The Talairach area or the area of the Montreal Neurological Institute (MMI). The MMI defines a standard brain using large-scale Magnetic Resonance Imaging (MRI) scans in normal controls. The Talairach area refers to a brain cut and photographed for the Talairach and Tournouxatlas. In both the Talairakh area and the MNI area, data must be recorded for each standard area using registration techniques. To conventional methods, using a modification of the aforementioned method include tracer NeuroQ ®, statistical parameter matching (SPM), 3D stereotactic surface projections (3D-SSP) and so on.
Sobald ein Vergleich vorgenommen wurde, wird ein eine statistische Abweichung der Anatomie wiedergebendes Bild dargestellt, das es einem Betrachter gestattet, eine Diagnose auf der Grundlage des Bildes zu erstellen. Eine solche Diagnose zu erstellen, ist eine sehr spezielle Aufgabe und wird typischerweise von hochspezialisierten medizinischen Bildgebungsexperten vorgenommen. Jedoch können auch solche Experten lediglich eine subjektive Aussage über das Maß der Schwere der Krankheit machen. Wegen dieser inhärenten Subjektivität sind die Diagnosen gelegentlich inkonsistent und nicht standardisiert.Once a comparison is made, an anatomical statistical deviation image is displayed that allows a viewer to make a diagnosis based on the image. Creating such a diagnosis is a very specific task and is typically done by highly specialized medical imaging experts. However, even such experts can only make a subjective statement about the extent of the severity of the disease. Because of this inherent subjectivity, the diagnoses are occasionally inconsistent and not standardized.
Die heutige Forschungsliteratur lässt es in steigendem Maße klar werden, dass Kliniker in der Lage sein müssen, eine große Vielfalt verschiedener klinisch gewonnener Parameter in wirksamer Weise zu betrachten und zu analysieren, so dass sie wohlbegründete Entscheidungen treffen können. Die traditionellen Verfahren machen es aber für einen Kliniker schwierig, die zunehmend große Menge akquirierter klinischer Daten zu analysieren und zutreffend zu interpretieren. Wenngleich automatisierte Algorithmen und entscheidungsstützende Softwareapplikationen entwickelt worden sind, um bei der Bildanalyse zu helfen, so ist doch die Genauigkeit des Ergebnisses aus diesen Algorithmen und Applikationen in der Praxis schwer zu verifizieren. Außerdem bedingen diese automatisierten Algorithmen typischerweise eine „Black-Box”-Betrachtungsweise für die Entscheidungsfindung, wenn Bilddaten die Eingangsgrößen für den Algorithmus und eine endgültige Entscheidung dessen Ausgangsgröße sind. Demgemäß geben diese Algorithmen einem Kliniker wenig Möglichkeit, mit dem Algorithmus in Wechselwirkung zu treten und dessen innere Arbeitsabläufe zu verstehen.Today's research literature is making it increasingly clear that clinicians must be able to effectively view and analyze a wide variety of clinically derived parameters so that they can make well-founded decisions. Traditional methods, however, make it difficult for a clinician to analyze and properly interpret the increasing volume of acquired clinical data. Although automated algorithms and decision support software applications have been developed to aid in image analysis, the accuracy of the result from these algorithms and applications is difficult to verify in practice. In addition, these automated algorithms typically require a black-box approach for decision making when image data is the input to the algorithm and a final decision on its output. Accordingly, these algorithms give a clinician little ability to interact with the algorithm and understand its internal workings.
Demgemäß besteht ein Bedürfnis nach einer Verfahrensweise zur Visualisierung klinisch gewonnener charakteristischer Merkmale eines interessierenden Gebietes eines Bildes unter Bezugnahme auf einen Bezugsdatensatz derart, dass ein Kliniker auf einen Blick leicht die relevante Information aufnehmen kann.Accordingly, there is a need for a methodology for visualizing clinically derived characteristics of an area of interest of an image with reference to a reference data set such that a clinician can readily obtain the relevant information at a glance.
Deshalb besteht der Wunsch ein System und ein Verfahren zur Analysierung und Veranschaulichung von charakteristischen Eigenschaften lokaler Merkmale bei Bilddaten zu schaffen, die die vorerwähnten Nachteile vermeiden.Therefore, there is a desire to provide a system and method for analyzing and demonstrating characteristic features of local features in image data that avoid the aforementioned disadvantages.
Kurze Beschreibung der ErfindungBrief description of the invention
Gemäß einem Aspekt der Erfindung ist auf einem Computer lesbaren Speichermedium ein Computerprogramm gespeichert, das Anweisungen enthält, welche bei der Ausführung durch einen Computer den Computer veranlassen, auf einen von einem Patienten erworbenen medizinischen Bilddatensatz zuzugreifen und aus dem medizinischen Datensatz ein erstes interessierendes Gebiet (ROI) zu identifizieren. Die Anweisungen veranlassen außerdem den Computer, einen Merkmalsdatensatz zu extrahieren, der ein für das ROI interessierendes Merkmal repräsentiert, aus dem medizinischen Datensatz ein zweites medizinisches Gebiet (ROI) zu identifizieren und einen Bezugsdatensatz zu extrahieren, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmals wiedergeben. Weiterhin veranlassen die Anweisungen den Computer den Merkmalsdatensatz mit dem Bezugsdatensatz zu vergleichen, eine Abweichungsmetrik zu erzeugen, welche eine auf dem Vergleich beruhende Abweichung des interessierenden Merkmals wiedergibt und eine visuelle Darstellung der Abweichungsmetrik zu erzeugen.According to one aspect of the invention, a computer program is stored on a computer readable storage medium containing instructions which, when executed by a computer, cause the computer to access a medical image record acquired by a patient and obtain a first region of interest (ROI) from the medical record ) to identify. The instructions also cause the computer to extract a feature record that represents a feature of interest to the ROI, a second medical tile from the medical record (ROI) and to extract a related dataset containing reference data representing an expected behavior of the feature of interest. Further, the instructions cause the computer to compare the feature data set with the reference data set, generate a deviation metric representing a comparison-based deviation of the feature of interest, and generate a visual representation of the deviation metric.
Gemäß einem anderen Aspekt der Erfindung beinhaltet ein Verfahren die Schritte des Zugreifens auf einem klinischen Bilddatensatz, der von einem Patienten akquirierte Daten enthält, das Identifizieren eines ersten ROI aus dem klinischen Datensatz und das Definieren eines ersten ROI-Datensatzes, der Bilddaten enthält, welche dem ersten ROI entsprechen. Das Verfahren beinhaltet außerdem die Schritte des Extrahierens wenigstens einer abgeleiteten interessierenden Besonderheit, die dem ersten ROI entspricht aus dem ersten ROI-Datensatz, das Definieren eines charakteristischen Datensatzes, welcher Bilddaten enthält, die wenigstens eine abgeleitete interessierende Besonderheit wiedergeben und das Identifizieren eines zweiten ROI aus dem klinischen Bilddatensatz. Das Verfahren beinhaltet weiterhin die Schritte des Definierens eines zweiten ROI-Datensatzes, der Bilddaten enthält, die dem zweiten ROI entsprechen, das Extrahieren eines Bezugsdatensatzes aus dem zweiten ROI-Datensatz, wobei der Bezugsdatensatz Bezugsdaten für die wenigstens eine abgeleitete interessierende Besonderheit enthält. Das Verfahren beinhaltet darüber hinaus das Vergleichen des Besonderheit-Datensatzes mit dem Bezugsdatensatz, das Berechnen wenigstens einer Abweichungsmetrik aus dem Vergleich und das Abgeben wenigstens einer visuellen Darstellung der wenigstens einen Abweichungsmetrik.According to another aspect of the invention, a method includes the steps of accessing a clinical image data set containing data acquired from a patient, identifying a first ROI from the clinical data set, and defining a first ROI data set containing image data match first ROI. The method also includes the steps of extracting at least one derived interesting feature corresponding to the first ROI from the first ROI data set, defining a characteristic data set containing image data representing at least one derived interesting feature of interest, and identifying a second ROI the clinical image data set. The method further includes the steps of defining a second ROI data set containing image data corresponding to the second ROI, extracting a reference data set from the second ROI data set, the reference data set including reference data for the at least one derivative of interest of interest. The method further includes comparing the feature record with the related record, calculating at least one deviation metric from the comparison, and providing at least one visual representation of the at least one offset metric.
Gemäß einem noch anderen Aspekt der Erfindung beinhaltet ein System zum Analysieren klinischer Bilddaten eine Datenbank mit darin gespeicherten von einem Patienten akquirierten klinischen Bilddaten und einem Prozessor, der dazu programmiert ist, auf einen Datensatz aus der Datenbank zuzugreifen. Der Prozessor ist derart programmiert, dass er ein Ziel-ROI aus dem Datensatz definiert, wenigstens ein lokales Merkmal, das dem Ziel-ROI entspricht, aus dem Patientendatensatz extrahiert und einen Merkmal-Datensatz definiert, der das wenigstens eine lokale Merkmal wiedergibt. Außerdem ist der Prozessor so programmiert, dass er ein Bezugs-ROI aus dem Datensatz identifiziert, einen Bezugsdatensatz, der dem Bezugs-ROI entspricht aus dem Datensatz extrahiert, wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal berechnet, wobei die wenigstens eine Abweichungsmetrik eine Abweichung des Merkmal-Datensatzes von dem Bezugsdatensatz wiedergibt und eine visuelle Darstellung der wenigstens einen Abweichungsmetrik abgibt. Das System beinhaltet darüber hinaus ein grafisches Benutzerinterface (GUI), das dazu ausgelegt ist, das wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal darzustellen.In yet another aspect of the invention, a system for analyzing clinical image data includes a database having patient image acquired clinical image data and a processor programmed to access a data set from the database. The processor is programmed to define a target ROI from the data set, extract at least one local feature corresponding to the target ROI from the patient record, and define a feature record representing the at least one local feature. In addition, the processor is programmed to identify a reference ROI from the data set, a reference data set corresponding to the reference ROI extracted from the data set, calculates at least one deviation metric for the at least one local feature, wherein the at least one deviation metric is a deviation of the feature record from the related record and provide a visual representation of the at least one departure metric. The system also includes a graphical user interface (GUI) that is configured to present the at least one deviation metric for the at least one local feature.
Zahlreiche andere Merkmale und Vorteile ergeben sich aus der nachfolgenden detaillierten Beschreibung und den Zeichnungen.Numerous other features and advantages will become apparent from the following detailed description and drawings.
Kurze Beschreibung der ZeichnungShort description of the drawing
Die Zeichnung veranschaulicht bevorzugte Ausführungsformen, die gegenwärtig für die Ausführung der Erfindung in Frage kommen.The drawing illustrates preferred embodiments that are currently contemplated for carrying out the invention.
In der Zeichnung:In the drawing:
Detaillierte BeschreibungDetailed description
In der Regel enthält ein beispielhaftes prozessorbasiertes System
Gemäß verschiedenen Ausführungsformen greift das System
Alternativ können solche Daten in dem Speicher
Von dem Mikroprozessor
Bezugnehmend auf
Die Technik
Bei einem Schritt
Bei einem Schritt
Die Technik
Bei einem Schritt
Es kann eine Anzahl Techniken zur Berechnung von Metriken verwendet werden, welche die Abweichung der extrahierten lokalen Daten bezüglich des Bezugsdatensatzes ausdrücken. Bei einer Ausführungsform wird z. B. die Abweichung einer z-Auswertung eines interessierenden lokalen Charakteristikums bezüglich eines Satzes von Bezugsergebniswerten wie folgt berechnet: A number of metrics calculation techniques may be used which express the deviation of the extracted local data relative to the reference data set. In one embodiment, for. For example, the deviation of a z-score of a local characteristic of interest with respect to a set of reference score values is calculated as follows:
Wobei z das z-Auswertungsergebnis angibt, x die zu standardisierenden rohen Patientendaten angibt, μ den Mittelwert der Bezugsdaten angibt und σ n die Standardabweichung der Bezugsdaten angibt.Where z indicates the z evaluation result, x indicates the raw patient data to be standardized, μ indicates the mean value of the reference data, and σ n indicates the standard deviation of the reference data.
Bei einem Schritt
Ausführungsformen zur Auswahl eines ROI und entsprechender Bezugsdaten, sowie zur Visualisierung der Abweichung extrahierter lokaler Daten sind in den
In dem Bild
Alternativ kann das Bezugsgebiet
In
Bezugnehmend nun auf
Die Abweichung der lokalen Merkmale ist in den Plänen
Als Beispiel sei angenommen, dass der Plan
Durch Kombination der Abweichungspläne
Wenngleich die in den
Demgemäß ist hier eine Technik angegeben, die ein visuelles Verfahren zur Analyse lokaler Merkmale, die aus einem oder mehreren in einem Bilddatensatz ausgewählter ROIs abgeleitet sind, liefert, indem lokale Merkmale von dem jeweiligen ROI mit entsprechenden lokalen Merkmalen in einem Bezugsdatensatz verglichen werden. Eine solche Technik gibt einem Kliniker die Möglichkeit, eine digitale Biopsie von ausgewählten Werten in einem ROI in einem Bild auszuführen. Es versteht sich, dass Ausführungsformen der Technik auch dazu verwendet werden können, die lokalen interessierenden Merkmale im Hinblick auf mehrere Bezugsdatensätze zu analysieren, um Übereinstimmungen und Abweichungen zwischen dem ROI und den jeweiligen Bezugsdatensätzen zu identifizieren. So können z. B. lokale Merkmale, die strukturabhängigen Parametern eines ROI in einem Bild des Gehirns eines Patienten entsprechen, mit entsprechenden lokalen Merkmalen „gesunden” Gewebes in dem Patienten verglichen werden. Die sich ergebenden Abweichungspläne können dann als Hilfsmittel bei der Patientendiagnose benutzt werden.Accordingly, there is provided herein a technique that provides a visual method for analyzing local features derived from one or more ROIs selected in an image data set by comparing local features from the respective ROI with corresponding local features in a related data set. Such a technique allows a clinician to perform a digital biopsy of selected values in an ROI in an image. It will be understood that embodiments of the technique may also be used to analyze the local features of interest for multiple reference data sets to identify matches and discrepancies between the ROI and the respective reference data sets. So z. For example, local features that correspond to structure-dependent parameters of an ROI in an image of a patient's brain are compared to corresponding local features of "healthy" tissue in the patient. The resulting deviation plans can then be used as a tool in patient diagnosis.
Nach der Beurteilung der medizinischen Patientendaten folgt die Technik
Auf dem zweiten Pfad
Bei einem Schritt
Bei einem Schritt
Ausführungsformen der hier erläuterten Erfindung können auch auf Zwischenergebnisse angewandt werden, die durch einen Datamining- oder Lernmaschinenalgorithmus erzeugt wurden, der für eine klinische Entscheidungshilfe eingesetzt wurde, wie dies anhand der Technik
Ein automatisierter Algorithmus analysiert bei einem Schritt
Die Technik
Bei einem Schritt
Der sich ergebende Abweichungsplan ermöglicht dem Benutzer ein „Hineinschauen” in die von dem Lernalgorithmus eingesetzten Parameter und gestattet es dem Benutzer Einblicke in die innere Arbeitsweise des Algorithmus zu erlangen und mit diesem in Wechselwirkung zu treten, womit eine visuell basierte Datamining-Vorangehensweise bedeutend erleichtert wird. Eine solche Herangehensweise ergibt einen entscheidenden Vorteil gegenüber einem typischen „Black-Box” automatisierten Ansatz zur Entscheidungshilfe, der häufig erhebliche Validierungsarbeit mit sich bringt. Außerdem kann die Kenntnis der Abweichungsmetriken, die speziellen Zwischenergebnissen zugeordnet sind, dazu verwendet werden, verschiedene, in einem automatisierten Algorithmus verwendete Parameter „abzustimmen”. Beispielsweise kann ein gegebener Algorithmusparamter dazu angepasst werden, dass eine aus einem Vergleich zwischen bekannten normalen und bekannten abnormalen Daten berechnete Metrik ein bestimmtes Maß Abweichung anzeigt. Alternativ kann die Kenntnis einer oder mehrerer Abweichungsmetriken so verwendet werden, den automatisierten Algorithmus so abzuwandeln, dass das Zwischenergebnis den Bezugsparameter annähert.The resulting deviation scheme allows the user to "look into" the parameters employed by the learning algorithm and allows the user to gain insight into and interact with the inner workings of the algorithm, thus greatly facilitating a visually based data mining approach , Such an approach provides a distinct advantage over a typical black-box automated decision-making approach that often involves significant validation work. In addition, knowledge of the deviation metrics associated with particular intermediate results may be used to "tune" various parameters used in an automated algorithm. For example, a given algorithm parameter may be adjusted so that a metric calculated from a comparison between known normal and known abnormal data indicates a certain amount of deviation. Alternatively, the knowledge of one or more deviation metrics may be used to modify the automated algorithm such that the intermediate result approximates the reference parameter.
Wiederum bezugnehmend auf
Bei einigen Ausführungsformen kann die visuelle Ausgangsdarstellung bei dem Schritt
Ein technischer Beitrag für das dargestellte Verfahren und die dargestellte Vorrichtung besteht darin, dass er ein Computer implementiertes System und Verfahren zur Analyse und Visualisierung lokaler klinischer Merkmale ermöglicht.A technical contribution to the illustrated method and apparatus is that it enables a computer implemented system and method for analyzing and visualizing local clinical features.
Für den Fachmann versteht sich, dass Ausführungsformen der Erfindung über eine Schnittstelle mit einem Computer lesbaren Speichermedium in Verbindung stehen und von diesem gesteuert sein können, auf dem ein Computerprogramm gespeichert ist. Das Computer lesbare Speichermedium beinhaltet eine Anzahl Komponenten, wie eine oder mehrere elektronische Komponenten, Hardwarekomponenten, und/oder Computersoftwarekomponenten. Diese Komponenten können eine oder mehrere Computer lesbare Speichermedien umfassen, die allgemein Instruktionen speichern, wie Software, Firmware und/oder Assemliersprache zur Ausführung eines oder mehrerer Teile eines oder mehrerer Implementierungen oder Ausführungsformen einer Sequenz. Diese Computer lesbaren Speichermedien sind in der Regel nicht-flüchtig und/oder tangibel. Beispiele eines solchen Computer lesbaren Speichermediums umfassen ein aufzeichnungsfähiges Datenspeichermedium eines Computers und/oder einer Speichervorrichtung. Die Computer lesbaren Speichermedien können beispielsweise ein oder mehrere magnetische, elektrische, optische, biologische und/oder atomare Datenspeichermedien umfassen. Außerdem können solche Medien die Form von beispielsweise Floppy-Disks, Magnetbändern, CD-ROMs, DVD-ROMs, Harddisk-Laufwerken und/oder elektronischen Speichern annehmen. Andere Formen nicht-flüchtiger und/oder tangibler Computer lesbarer Speichermedien, die hier nicht aufgeführt sind, können bei Ausführungsformen der Erfindung benutzt werden.It will be understood by those skilled in the art that embodiments of the invention may interface with and be controlled by a computer readable storage medium having stored thereon a computer program. The computer readable storage medium includes a number of components, such as one or more electronic components, hardware components, and / or computer software components. These components may include one or more computer readable storage media generally storing instructions, such as software, firmware, and / or source language, for executing one or more portions of one or more implementations or embodiments of a sequence. These computer readable storage media are generally non-volatile and / or tangible. Examples of such a computer readable storage medium include a recordable data storage medium of a computer and / or storage device. The computer readable storage media may include, for example, one or more magnetic, electrical, optical, biological and / or atomic data storage media. In addition, such media may take the form of, for example, floppy disks, magnetic tapes, CD-ROMs, DVD-ROMs, hard disk drives and / or electronic memories. Other forms of non-volatile and / or tangible computer readable storage media not listed herein may be used in embodiments of the invention.
Eine Anzahl derartiger Komponenten können bei der Implementierung eines Systems kombiniert oder aufgeteilt werden. Außerdem können solche Komponenten einen Satz und/oder Reihen von Computerbefehlen umfassen, die mit irgendeiner Anzahl Programmiersprachen aufgeschrieben oder implementiert sind, wie sich dies für den Fachmann von selbst versteht. Zusätzlich können auch andere Formen Computer lesbarer Medien, etwa eine Trägerschwingung, dazu verwendet werden, ein Computerdatensignal zu verkörpern, das eine Befehlsfolge wiedergibt, die bei der Ausführung durch einen oder mehrere Computer diesen einen oder mehrere Computer veranlasst, eine oder mehrere Teile eines oder mehrerer Implementierungen oder Ausführungsformen einer Sequenz auszuführen.A number of such components may be combined or split in the implementation of a system. Additionally, such components may include a set and / or series of computer instructions written or implemented with any number of programming languages, as would be understood by those skilled in the art. In addition, other forms of computer readable media, such as a carrier wave, may also be used to embody a computer data signal representing a sequence of instructions that, when executed by one or more computers, cause that one or more computers to have one or more portions of one or more Implement implementations or embodiments of a sequence.
Gemäß einer Ausführungsform hat deshalb ein Computer lesbares Speichermedium ein auf ihm gespeichertes Computerprogramm, das Befehle enthält, die bei der Ausführung durch einen Computer den Computer veranlassen, auf einen von einem Patienten akquirierten medizinischen Datensatz zuzugreifen und aus dem medizinischen Datensatz ein erstes ROI zu identifizieren. Die Befehle veranlassen den Computer außerdem, einen Merkmalsdatensatz der ein für das ROI spezifisches interessierendes Merkmal wiedergibt zu extrahieren, ein zweites ROI aus dem medizinischen Datensatz zu identifizieren und einen Bezugsdatensatz zu extrahieren, der Bezugsdaten enthält, welche ein erwartetes Verhalten des interessierenden Merkmales wiedergibt. Außerdem veranlassen die Befehle den Computer den Merkmalsdatensatz mit dem Bezugsdatensatz zu vergleichen, eine Abweichungsmetrik zu erzeugen, die basierend auf dem Vergleich, eine Abweichung des interessierenden Merkmales wiedergibt und eine visuelle Darstellung der Abweichungsmetrik zu erzeugen.Thus, in one embodiment, a computer readable storage medium has a computer program stored thereon that includes instructions that, when executed by a computer, cause the computer to access a medical record acquired by a patient and identify a first ROI from the medical record. The instructions also cause the computer to extract a feature record of the ROI-specific feature of interest, identify a second ROI from the medical record, and extract a related record that contains related data that reflects expected behavior of the feature of interest. In addition, the instructions cause the computer to compare the feature record with the related record, generate a metric of deviation that reflects, based on the comparison, a deviation of the feature of interest and to produce a visual representation of the metric of deviation.
Gemäß einer weiteren Ausführungsform beinhaltet ein Verfahren die Schritte des Zugreifens auf einen klinischen Bilddatensatz, der von einem Patienten akquirierte Bilddaten enthält, das Identifizieren eines ersten ROIs aus dem klinischen Bilddatensatz und das Definieren eines ersten ROI-Datensatzes, der dem ersten ROI entsprechende Bilddaten enthält. Das Verfahren beinhaltet außerdem die Schritte des Extrahierens wenigstens eines abgeleiteten interessierenden Charakteristikums aus dem ersten ROI-Datensatz, das dem ersten ROI entspricht, das Definieren eines Charakteristikum-Datensatzes, welcher Bilddaten enthält, die das wenigstens eine interessierende abgeleitete Charakteristikum enthalten und das Identifizieren eines zweiten ROIs aus dem klinischen Bilddatensatz. Das Verfahren beinhaltet darüber hinaus die Schritte des Definierens eines zweiten ROI-Datensatzes der Bilddaten enthält, die dem zweiten ROI entsprechen, das Extrahieren eines Bezugsdatensatzes aus dem zweiten ROI-Datensatz, wobei der Bezugsdatensatz Bezugsdaten für das wenigstens eine abgeleitete interessierende Charakteristikum enthält. Das Verfahren beinhaltet auch den Vergleich des Charakteristikum-Datensatzes mit dem Bezugsdatensatz, das Berechnen wenigstens einer Abweichungsmetrik aus dem Vergleich und das Ausgeben einer Visualisierung der wenigstens einen Abweichungsmetrik.According to another embodiment, a method includes the steps of accessing a clinical image data set containing image data acquired by a patient, identifying a first ROI from the clinical image data set, and defining a first ROI data set containing image data corresponding to the first ROI. The method also includes the steps of extracting at least one derivative of interest characteristic from the first ROI data set corresponding to the first ROI, defining a characteristic data set containing image data containing the at least one derived characteristic of interest, and identifying a second one ROIs from the clinical image dataset. The method further includes the steps of defining a second ROI data set containing image data corresponding to the second ROI, extracting a reference data set from the second ROI data set, the reference data set including reference data for the at least one derived characteristic of interest. The method also includes comparing the characteristic data set with the reference data set, calculating at least one deviation metric from the comparison, and outputting a visualization of the at least one deviation metric.
Gemäß einer noch anderen Ausführungsform beinhaltet ein System zur Analyse klinischer Bilddaten eine Datenbank mit darauf gespeicherten, von einem Patienten akquirierten klinischen Bilddaten und einen Prozessor, der dazu programmiert ist, auf einen Datensatz aus der Datenbank zuzugreifen. Der Prozessor ist außerdem dazu programmiert, ein Ziel-ROI aus dem Datensatz zu identifizieren, wenigstens ein dem Ziel-ROI entsprechendes lokales Merkmal aus dem Satz Patientendaten zu extrahieren und einen Merkmalsdatensatz zu definieren, der das wenigstens eine lokale Merkmal wiedergibt.In yet another embodiment, a clinical image data analysis system includes a database having patient image acquired clinical image data and a processor programmed to access a data set from the database. The processor is also programmed to identify a target ROI from the data set, extract at least one local feature corresponding to the target ROI from the set of patient data, and define a feature data set representing the at least one local feature.
Der Prozessor ist weiterhin dazu programmiert, ein Bezugs-ROI aus dem Datensatz zu identifizieren, einen dem Bezugs-ROI entsprechenden Bezugsdatensatz aus dem Datensatz zu extrahieren, wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal zu berechnen, wobei die wenigstens eine Abweichungsmetrik eine Abweichung des Merkmaldatensatzes von dem Bezugsdatensatz wiedergibt und eine Visualisierung der wenigstens einen Abweichungsmetrik auszugeben. Das System beinhaltet außerdem eine GUI, die dazu eingerichtet ist, die wenigstens eine Abweichungsmetrik für das wenigstens eine lokale Merkmal zur Schau zu stellen.The processor is further programmed to identify a reference ROI from the data set, extract a reference data set corresponding to the reference ROI from the data set, calculate at least one deviation metric for the at least one local feature, wherein the at least one deviation metric is a deviation of the Reflects feature data set from the related data set and output a visualization of the at least one deviation metric. The system also includes a GUI configured to display the at least one deviation metric for the at least one local feature.
Die Beschreibung verwendet Ausführungsbeispiele zur Erläuterung der Erfindung einschließlich deren bester Ausführungsform und setzt einen Fachmann in die Lage, die Erfindung auszuführen, einschließlich der Herstellung und der Benutzung irgendwelcher Vorrichtungen oder Systeme und der Ausführung irgendwelcher darin enthaltener Verfahren. Der Schutzbereich der Erfindung ist durch die Patentansprüche definiert und kann auch andere Ausführungsbeispiele umfassen, die dem Fachmann nahe liegen. Solche anderen Ausführungsformen sollen im Schutzbereich der Patentansprüche liegen, wenn sie strukturelle Elemente enthalten, die sich von dem Wortlaut der Ansprüche nicht unterscheiden oder wenn sie äquivalente Strukturelemente mit unbedeutenden Unterschieden zu dem Wortlaut der Ansprüche beinhalten.The description uses embodiments to illustrate the invention, including the best mode thereof, and to enable any person skilled in the art to practice the invention, including making and using any apparatus or systems and performing any method included therein. The scope of the invention is defined by the claims and may include other embodiments that are obvious to those skilled in the art. Such other embodiments are intended to be within the scope of the claims if they include structural elements that do not differ from the literal language of the claims, or if they include equivalent structural elements with insubstantial differences from the literal language of the claims.
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/870,314 US20120051608A1 (en) | 2010-08-27 | 2010-08-27 | System and method for analyzing and visualizing local clinical features |
US12/870,314 | 2010-08-27 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102011053044A1 true DE102011053044A1 (en) | 2012-03-01 |
Family
ID=45566344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102011053044A Withdrawn DE102011053044A1 (en) | 2010-08-27 | 2011-08-26 | System and method for analyzing and visualizing local clinical features |
Country Status (4)
Country | Link |
---|---|
US (1) | US20120051608A1 (en) |
JP (1) | JP2012045387A (en) |
CN (1) | CN102436539A (en) |
DE (1) | DE102011053044A1 (en) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120051609A1 (en) * | 2010-08-27 | 2012-03-01 | Gopal Biligeri Avinash | System and method for analyzing and visualizing local clinical features |
CN104303184B (en) * | 2012-03-21 | 2018-05-15 | 皇家飞利浦有限公司 | Integrate the Clinical workstations of imaging of medical and biopsy data and use its method |
WO2015059613A2 (en) * | 2013-10-22 | 2015-04-30 | Koninklijke Philips N.V. | Image visualization |
EP3074938A1 (en) * | 2013-11-26 | 2016-10-05 | Koninklijke Philips N.V. | System and method of determining missing interval change information in radiology reports |
US20160321427A1 (en) * | 2015-04-28 | 2016-11-03 | Siemens Medical Solutions Usa, Inc. | Patient-Specific Therapy Planning Support Using Patient Matching |
JP6565399B2 (en) | 2015-07-09 | 2019-08-28 | 株式会社ジェイテクト | Gear processing equipment |
JP7097877B2 (en) * | 2016-10-25 | 2022-07-08 | コーニンクレッカ フィリップス エヌ ヴェ | Equipment and methods for quality evaluation of medical image data sets |
WO2019044095A1 (en) * | 2017-08-29 | 2019-03-07 | 富士フイルム株式会社 | Medical information display device, method, and program |
JP6882136B2 (en) * | 2017-10-12 | 2021-06-02 | 日本メジフィジックス株式会社 | Image processing equipment, image processing methods and programs |
US20190122104A1 (en) | 2017-10-19 | 2019-04-25 | General Electric Company | Building a binary neural network architecture |
US10460440B2 (en) | 2017-10-24 | 2019-10-29 | General Electric Company | Deep convolutional neural network with self-transfer learning |
CN107945169B (en) * | 2017-12-01 | 2022-02-15 | 中国人民解放军第三军医大学 | Coronary artery image analysis method |
EP3611733A1 (en) * | 2018-08-15 | 2020-02-19 | Siemens Healthcare GmbH | Searching a medical reference image |
JP7175682B2 (en) * | 2018-09-06 | 2022-11-21 | キヤノンメディカルシステムズ株式会社 | Diagnosis support device, diagnosis support system, diagnosis support method, and diagnosis support program |
EP3712844B1 (en) * | 2019-03-20 | 2023-08-09 | Siemens Healthcare GmbH | Method and system for fast assessment of brain change normality |
US11314984B2 (en) | 2019-08-20 | 2022-04-26 | International Business Machines Corporation | Intelligent generation of image-like representations of ordered and heterogenous data to enable explainability of artificial intelligence results |
EP3828816A1 (en) * | 2019-11-28 | 2021-06-02 | Siemens Healthcare GmbH | Patient follow-up analysis |
CN111028228A (en) * | 2019-12-19 | 2020-04-17 | 江苏医药职业学院 | Matching processing method of medical image system based on big data |
US11646121B2 (en) * | 2021-05-04 | 2023-05-09 | Flatiron Health, Inc. | Systems and methods for analyzing and validating patient information trends |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4584575B2 (en) * | 2001-07-06 | 2010-11-24 | クゥアルコム・インコーポレイテッド | Image processing method for interacting with 3D surface displayed in 3D image |
US20050010097A1 (en) * | 2003-06-26 | 2005-01-13 | Cline Harvey E. | System and method for measuring fluid volumes in brain images |
US7616799B2 (en) * | 2004-06-18 | 2009-11-10 | Siemens Medical Solutions Usa, Inc. | System and method for monitoring disease progression or response to therapy using multi-modal visualization |
US8611632B2 (en) * | 2005-04-08 | 2013-12-17 | 361° Systems, Inc. | Method of selecting and visualizing findings within medical images |
JP5243865B2 (en) * | 2008-07-07 | 2013-07-24 | 浜松ホトニクス株式会社 | Brain disease diagnosis system |
WO2010041197A1 (en) * | 2008-10-10 | 2010-04-15 | Koninklijke Philips Electronics, N.V. | Health-risk metric determination and/or presentation |
US20110200227A1 (en) * | 2010-02-17 | 2011-08-18 | Siemens Medical Solutions Usa, Inc. | Analysis of data from multiple time-points |
-
2010
- 2010-08-27 US US12/870,314 patent/US20120051608A1/en not_active Abandoned
-
2011
- 2011-08-24 JP JP2011182164A patent/JP2012045387A/en active Pending
- 2011-08-26 DE DE102011053044A patent/DE102011053044A1/en not_active Withdrawn
- 2011-08-26 CN CN2011102577344A patent/CN102436539A/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20120051608A1 (en) | 2012-03-01 |
CN102436539A (en) | 2012-05-02 |
JP2012045387A (en) | 2012-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011053044A1 (en) | System and method for analyzing and visualizing local clinical features | |
DE102011080260B4 (en) | Method and arrangement for the computer-aided display and evaluation of medical examination data | |
DE10311319B4 (en) | Method, system and computer product for planning a cardiac intervention procedure | |
US8934685B2 (en) | System and method for analyzing and visualizing local clinical features | |
DE102006055654A1 (en) | Data management tool for interactive real-time data analysis | |
DE102015212953A1 (en) | Artificial neural networks for the classification of medical image datasets | |
DE10393388T5 (en) | Rules-based solution for processing medical images | |
DE102006012015A1 (en) | Computer tomography tumour burden monitoring system receives image data set based on selected characteristics and computes aggregate global value for comparison with threshold | |
DE102009025856A1 (en) | Processing and visualization technology of medical data | |
DE102004055768A1 (en) | Methods and systems for computer-assisted targeted imaging | |
DE102016219488A1 (en) | Method for providing a confidence information | |
DE202014010690U1 (en) | A system for evaluating the quality of medical images of at least a portion of a patient's anatomy | |
DE102007003260A1 (en) | System and method for marking and identifying lymph nodes in medical images | |
DE102006043347A1 (en) | Airway visualization system and method for evaluation | |
DE102006041309A1 (en) | System and method for 3D-CAD using projection images | |
DE112005001741T5 (en) | System and method for tree projection for the detection of pulmonary embolism | |
DE102012201169A1 (en) | Automatic registration of image pairs of medical image data sets | |
DE102007034911A1 (en) | Device for improvement of visualization of clinical conditions, has processor which is connected to input and user interface to process imaging data in combination with knowledge base using optimal image processing algorithm | |
DE102011076233A1 (en) | Method and computer system for automatically generating a statistical model | |
DE102022112136A1 (en) | MEDICAL IMAGE ANALYZER, METHOD AND MEDICAL IMAGE, VISUALIZATION DEVICE AND METHOD | |
EP3287914A1 (en) | Determination of outcome data based on medical test data from different measurements | |
DE102016219887A1 (en) | Method and system for using measured data | |
DE112012002671T5 (en) | View a variety of registered images | |
DE102013218806A1 (en) | Method for evaluating an examination | |
DE102006039921A1 (en) | Automatic airway evaluation system and method for multi-slice computed tomography (MSCT) image data using airway lumen diameter, airway wall thickness, and broncho-arterial ratio |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R079 | Amendment of ipc main class |
Free format text: PREVIOUS MAIN CLASS: A61B0019000000 Ipc: A61B0034000000 |
|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |